基于对比学习无监督预训练-微调式的雷达目标识别方法技术

本发明专利技术公开了基于对比学习无监督预训练

【技术实现步骤摘要】
基于对比学习无监督预训练
‑
微调式的雷达目标识别方法


[0001]本专利技术属于雷达目标识别领域，具体的讲，涉及一种基于对比学习无监督预训练
‑
微调式的雷达目标识别方法。

技术介绍

[0002]高分辨宽带雷达的距离分辨率远小于目标尺寸，其回波也被称为目标的一维高分辨距离像(HRRP)。HRRP中包含了对分类和识别极有价值的结构信息，如目标的径向尺寸、散射点分布等，具有广阔的工程应用前景。因此，基于HRRP的雷达自动目标识别方法逐步成为雷达自动目标识别领域研究的热点。
[0003]随着雷达技术的不断成熟，早期基于诸如统计模型、流行学习以及核方法的大部分传统HRRP识别方法已经能够获取目标强散射点的分布并进行识别分类，但是大多数的传统方法基于全连接结构进行分帧建模，遗漏了帧间关联信息，无法捕获反映HRRP特性的结构信息，同时还对目标数据的完备程度要求较高，然而在实际环境中的识别对象通常是非合作的目标，采集到的样本角域信息不完整，数据的分布无法达到实验理想状态，从而增加了在特征提取过程中对研究者经验的依赖性。近些年深度学习算法的盛兴，改变了传统的全连接结构，可以自动获取HRRP数据中蕴含的深层次特征。
[0004]传统的HRRP特征提取方法主要分为两大部分：(1)基于变换(Transformer)的特征提取方法，如谱图等。这些方法都是将HRRP信号投影到频域，之后对其频域特征进行建模识别。(2)基于降维后的数据，进行特征提取的方法。虽然传统特征提取方法有很好的识别性能，但是这些方法大多是无监督且有损的，并且特征提取方法的选择高度依赖科研人员对数据的认识和经验，因此，很多情况下，难以达到好的效果。对HRRP目标特征的学习与提取是雷达目标识别过程中举足轻重的一个环节。针对以上传统方法的不足和HRRP数据的特点，本文利用改进的深度学习网络对目标HRRP进行识别分类，融合了泛化能力强的网络来充分捕捉HRRP中有效的结构信息，在构建复杂模型的同时还优化了网络中的参数，实现更快的收敛和更高的识别性能。

技术实现思路

[0005]为了解决上述问题，本专利技术提供一种基于对比学习无监督预训练
‑
微调式的雷达目标识别方法。
[0006]本专利技术提出了一种使用对比学习(Contrastive Learning)方法的深度学习模型来学习雷达HRRP数据的通用特征表示，并用于下游任务(Downstream Task)，使这种无监督的对比学习方法使网络实现了更深的训练，利用无监督预训练好的模型学习到HRRP样本中有效的特征表示，之后不再需要大量的带标签HRRP训练样本，就能够应用于各种下游任务并进行微调(Fine
‑
tune)，从而得到多种不同的适用于HRRP目标识别的高性能鲁棒模型，为雷达HRRP识别提供了一种新的思路和通用方法。对比学习最大的优势就在于能够更好地提取不同角域下HRRP样本之间蕴含的相似性通用特征，并将其用于合适的下游任务进行识别
分类，能够在严苛的小样本目标环境下依旧保持一定的识别能力，为雷达目标识别提供一种新的通用思路和方法。
[0007]基于对比学习无监督预训练
‑
微调式的雷达目标识别方法，包括以下步骤：
[0008]S1：对原始HRRP样本集进行预处理。
[0009]通过l2强度归一化的方法对原始HRRP回波进行处理，从而改善HRRP的强度敏感性问题。HRRP是通过距离窗从雷达回波数据中截取的，在截取的过程中录取的距离像在距离波门中的位置不固定，从而导致了HRRP的平移敏感性。为了使训练和测试具备统一标准，采用重心对齐法消除平移敏感性。
[0010]S2：对处理过的HRRP样本进行平移处理实现数据扩充。
[0011]S3:采用reshape和数据增强的方式增加HRRP样本的结构多样性，使模型学到更多的有效特征信息。
[0012]S4:将通过不同的数据增强方法得到的HRRP样本输入SimSiam模块。
[0013]SimSiam模块包括随机数据增强、骨干网络、投影器和预测器四部分，其中骨干网络和投影器组成编码器网络。通过不同的数据增强方法对扩充之后的HRRP样本采样，然后进入编码器网络进行编码，通过最大化来自同一HRRP样本的不同视图的特征向量之间的一致性来进行特征匹配，再通过投影器提取HRRP样本高质量的主要特征表示，有助于对比预测任务获取通用的一致性表示。将输出特征传入预测器中，估计SimSiam模块的整体期望，即通过反向传播优化网络参数，同时过滤部分高层的无效特征信息，使HRRP样本中的特征信息被充分保留以进行对比预测优化。
[0014]S5:通过在扩充的雷达HRRP样本上采用对比学习对SimSiam模块进行无监督预训练后，使经过编码器网络的输出和利用有监督训练得到的输出具有一样的通用特征信息，再将编码器网络的输出在下游分类模块上进行微调(fine
‑
tune)，通过shape操作后再输入下游分类模块中，最终实现HRRP识别分类。
[0015]S6:将HRRP样本正确分类的预测胶囊特征通过重构模块重构目标数据，还原成初始的输入，参与训练。
[0016]进一步的，所述S1详细步骤为：
[0017]S1.1：强度归一化。将原始HRRP表示为其中L1表示HRRP内包含的距离单元总数，则强度归一化之后的HRRP可以表示为：
[0018][0019]S1.2：样本对齐。平移HRRP使其重心g1移至附近，这样HRRP中包含信息的那些距离单元将分布在中心附近。其中HRRP重心g1的计算方法如下：
[0020][0021]进一步的，所述S2详细步骤为：
[0022]为了在预训练过程中避免过拟合并且获得HRRP数据中重要的语义信息，通过将每个敏感性处理后的HRRP样本的重心向左和向右分别平移1到4个距离单元进行数据扩充，使
得可供无监督预训练的样本在原始的训练集基础上增加8倍的数据量，进而在一定程度上提升网络对新样本的泛化能力。
[0023]进一步的，所述S3详细步骤为：
[0024]S3.1:首先，数据敏感性预处理之后的雷达HRRP样本仍然是1
×
256的一维向量数据，为了使数据维度匹配，利用unsqueeze()函数增加数据的维度，将HRRP样本的形状转变为一个四维张量再对HRRP样本进行reshape操作，此时进入SimSiam模块中的编码器网络的形式是其次，对16
×
16形式的HRRP样本进行数据增强操作，包括随机剪裁、随机高斯模糊、水平翻转和缩放来增加HRRP的结构多样性。最后，将数据增强后的HRRP样本进行归一化操作。
[0025]进一步的，所述S4详细步骤为：
[0026]S4.1:随机数据增强：
[0027]随机数据增强操作是为了生成每个HRRP样本的两组不同视图用于自监督对比学习任务，即用于对比学习任务的视图x...

【技术保护点】

【技术特征摘要】
1.基于对比学习无监督预训练
‑
微调式的雷达目标识别方法，其特征在于，包括以下步骤：S1：对原始HRRP样本集进行预处理；通过l2强度归一化的方法对原始HRRP回波进行处理，从而改善HRRP的强度敏感性问题；HRRP是通过距离窗从雷达回波数据中截取的，在截取的过程中录取的距离像在距离波门中的位置不固定，从而导致了HRRP的平移敏感性；为了使训练和测试具备统一标准，采用重心对齐法消除平移敏感性；S2：对处理过的HRRP样本进行平移处理实现数据扩充；S3:采用reshape和数据增强的方式增加HRRP样本的结构多样性，使模型学到更多的有效特征信息；S4:将通过不同的数据增强方法得到的HRRP样本输入SimSiam模块；SimSiam模块包括随机数据增强、骨干网络、投影器和预测器四部分，其中骨干网络和投影器组成编码器网络；通过不同的数据增强方法对扩充之后的HRRP样本采样，然后进入编码器网络进行编码，通过最大化来自同一HRRP样本的不同视图的特征向量之间的一致性来进行特征匹配，再通过投影器提取HRRP样本高质量的主要特征表示，有助于对比预测任务获取通用的一致性表示；将输出特征传入预测器中，估计SimSiam模块的整体期望，即通过反向传播优化网络参数，同时过滤部分高层的无效特征信息，使HRRP样本中的特征信息被充分保留以进行对比预测优化；S5:通过在扩充的雷达HRRP样本上采用对比学习对SimSiam模块进行无监督预训练后，使经过编码器网络的输出和利用有监督训练得到的输出具有一样的通用特征信息，再将编码器网络的输出在下游分类模块上进行微调，通过shape操作后再输入下游分类模块中，最终实现HRRP识别分类；S6:将HRRP样本正确分类的预测胶囊特征通过重构模块重构目标数据，还原成初始的输入，参与训练。2.根据权利要求1所述的基于对比学习无监督预训练
‑
微调式的雷达目标识别方法，其特征在于，所述S1详细步骤为：S1.1：强度归一化；将原始HRRP表示为其中L1表示HRRP内包含的距离单元总数，则强度归一化之后的HRRP可以表示为：S1.2：样本对齐；平移HRRP使其重心g1移至附近，这样HRRP中包含信息的那些距离单元将分布在中心附近；其中HRRP重心g1的计算方法如下：3.根据权利要求2所述的基于对比学习无监督预训练
‑
微调式的雷达目标识别方法，其特征在于，所述S2详细步骤为：
为了在预训练过程中避免过拟合并且获得HRRP数据中重要的语义信息，通过将每个敏感性处理后的HRRP样本的重心向左和向右分别平移1到4个距离单元进行数据扩充，使得可供无监督预训练的样本在原始的训练集基础上增加8倍的数据量，进而在一定程度上提升网络对新样本的泛化能力。4.根据权利要求3所述的基于对比学习无监督预训练
‑
微调式的雷达目标识别方法，其特征在于，所述S3详细步骤为：S3.1:首先，数据敏感性预处理之后的雷达HRRP样本仍然是1
×
256的一维向量数据，为了使数据维度匹配，利用unsqueeze()函数增加数据的维度，将HRRP样本的形状转变为一个四维张量再对HRRP样本进行reshape操作，此时进入SimSiam模块中的编码器网络的形式是其次，对16
×
16形式的HRRP样本进行数据增强操作，包括随机剪裁、随机高斯模糊、水平翻转和缩放来增加HRRP的结构多样性；最后，将数据增强后的HRRP样本进行归一化操作。5.根据权利要求4所述的基于对比学习无监督预训练
‑
微调式的雷达目标识别方法，其特征在于，所述S4详细步骤为：S4.1:随机数据增强：随机数据增强操作是为了生成每个HRRP样本的两组不同视图用于自监督对比学习任务，即用于对比学习任务的视图x
′
和x
″
由HRRP样本分别经过两个随机数据增强得到；S4.2:骨干网络部分：选取Resnet
‑
50作为骨干网络，ResNet
‑
50由1个卷积输入层、4个残差卷积块和1个全连接输出层组成，其中残差卷积块包括16个卷积组块，每个卷积组块均由相同数量的卷积层构成；卷积输入层的设置是为了保留增强后的HRRP视图相邻特征的语义信息和全局特征信息，并构建合理的空间关系，有助于提取HRRP的有效特征；残差块作为网络的主要组成部分，先利用1
×
1卷积核的卷积层转换特征的维度；再用3
×
3卷积核的卷积层提取有效特征，最后引入恒等映射加快深层网络层与层之间关联信息的流动并充分利用每一层的特征，最终提取出有效且有意义的HRRP特征表示，提升识别性能；每个残差卷积块均使用了ReLU激活函数和批归一化单元，提高了模型的泛化能力；S4.3:投影器部分：投影器的核心作用就是过滤HRRP视图特征表示中的冗余信息或者无关的语义信息，保留最主要的非线性特征并对这个特征向量进行l2正则化，再将其映射到单位超球面空间进行对比匹配预测，最大化两个HRRP视图表征之间相似性结构信息，也就是约束超球面空间中向量之间的一致性程度和网络的训练过程，从而获得通用的HRRP样本相似性特征表示；深层的投影器能够提升HRRP特征表达的质量，也能够提升对比学习的性能，因此为投影器构建了三个线性的全连接层，每一层后都接了BN层，其中全连接层的输出维度是2048；将经骨干网络输出的特征记作y
i
，则编码器网络的输出特征z
i
的计算表达式如下：z
i
＝g(y
i
)＝W
(3)
σ(W
(2)
σ(W
(1)
y
i
))其中σ表示ReLU激活函数，g表示投影函数，W表示每一个全连接层的权重矩阵；为了便于分析忽略了偏置项对网络的影响；投影器中BN层的存在使各层输出的空间分布被重新调整，除去了每一个batch内HRRP样本间共有的部分特征，具有差异性的特征得到保留并用于
对比预测的任务；S4.4:预测器部分：预测器包含了两个全连接层、BN层和激活层三部分；其中第一个全连接层的输入维度和输出维度都是2048，第二个全连接层的输出维度是512；经预测器输出的特征向量p
i
计算表达式如下：p
i
＝h(z
i
)＝W
(2)
σ(W
(1)
z
i
)其中h表示预测函数，σ表示ReLU激活函数，W
(1)
、W
(2)

【专利技术属性】
技术研发人员：李津宇，张杰，潘勉，吕帅帅，蒋洁，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：